Szczegóły publikacji
Opis bibliograficzny
Forecasting wind capacity using gauss regression models based on nuclear functions — Prognozowanie mocy wiatrowej przy wykorzystaniu modeli regresji procesu Gaussa opartych na funkcjach jądra / Mariusz NIEKURZAK // Rynek Energii ; ISSN 1425-5960. — 2022 — nr 4, s. 61–71. — Bibliogr. s. 70–71, Summ., Streszcz.
Autor
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 141998 |
|---|---|
| Data dodania do BaDAP | 2022-09-10 |
| Rok publikacji | 2022 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Czasopismo/seria | Rynek Energii |
Abstract
Energy obtained from wind is characterized by high variability of output power and low availability, therefore it is necessary to predict their future energy production for economic purposes. The aim of the work is to develop and investigate forecasting methods allowing to increase the accuracy of wind farm power prediction with the use of artificial intelligence methods. The study explores the potential of various Gaussian Process Regression (GPR) models based on nuclear functions. In particular, the proposed models are dedicated to short-term prediction. The analysis was based on the operation of 6 wind farms located in Poland. A total of 120 sets of input data were selected for training and testing of the proposed models, and then their impact on the change in the accuracy of the forecasts was verified. As a result of the research, various structures of prognostic models were proposed and tested in order to select the most favorable variant. The comparison of the developed models based on the GPR method shows that the Pearson Universal Kernel (PUK) model was the superlative model. The prediction results of the GPR-PUK model turned out to be the most accurate and in line with the actual values, which allowed to verify the feasibility and effectiveness of using this model for forecasting. Machine learning methods will be able to show higher efficiency with the increase in the amount of data and the expansion of the set of potential explanatory variables. In the sea of data, machine learning methods are able to create predictive models more effectively without the need for tedious analyst interference in data preparation and multi-stage analysis. They will also allow for any frequent updating of the form of forecasting models, even after each addition to the data set.
Streszczenie
Energia pozyskiwana z wiatru charakteryzuje się dużą zmiennością mocy wyjściowej i niską dyspozycyjnością, konieczne jest zatem przewidywanie ich przyszłej produkcji energii dla celów ekonomicznych Celem pracy jest opracowanie i zbadanie metod prognostycznych pozwalających zwiększyć dokładność predykcji mocy elektrowni wiatrowej przy wykorzystaniu metod sztucznej inteligencji. W opracowaniu zbadano potencjał różnych modeli regresji procesu Gaussa (GPR) opartych na funkcjach jądra. W szczególności zaproponowane modele dedykowane są do predykcji krótkoterminowej. Analiza opierała się na pracy 6 elektrowni wiatrowych zlokalizowanych na terenie Polski. Do szkolenia i testowania proponowanych modeli wybrano łącznie 120 zestawów danych wejściowych, a następnie zweryfikowano ich wpływ na zmianę dokładności wykonanych prognoz. W wyniku przeprowadzonych badań, zaproponowano i przetestowano różne struktury modeli prognostycznych, w celu wyboru najkorzystniejszego wariantu. Porównanie opracowanych modeli opartych na metodzie GPR pokazuje, że modelem superlatywnym był model jądra uniwersalnego Pearsona (PUK). Wyniki przewidywania modelu GPR-PUK okazały się najdokładniejsze i są zgodne z rzeczywistymi wartościami, co pozwoliło w ten sposób zweryfikować wykonalność i skuteczności zastosowania tego modelu do prognozowania. Metody uczenia maszynowego będą mogły wykazać się wyższą skutecznością wraz ze wzrostem liczby danych oraz rozszerzeniem zbioru potencjalnych zmiennych objaśniających. W morzu danych metody uczenia maszynowego są w stanie skuteczniej tworzyć modele prognostyczne bez konieczności żmudnej ingerencji analityka w przygotowanie danych i wieloetapową analizę. Pozwolą także na dowolnie częstą aktualizację postaci modeli prognostycznych, nawet po każdym uzupełnieniu zbioru danych.